常用矩阵范数.pptVIP

* §1 Norms of Vectors and Matrices – Matrix Norms 常用矩阵范数： Frobenius 范数 — 向量|| · ||2的直接推广 对方阵 以及 有 算子范数 由向量范数 || · ||p 导出关于矩阵 A ? Rn?n 的 p 范数: 则 特别有： （行和范数） （列和范数） （谱范数） §1 Norms of Vectors and Matrices – Matrix Norms 注：? Frobenius 范数不是算子范数。 ? 我们只关心有相容性的范数，算子范数总是相容的。 ? 即使 A中元素全为实数，其特征根和相应特征向量 仍可能是复数。将上述定义中绝对值换成复数模均成立。 若不然，则必存在某个向量范数 || · ||v 使得 对任意A 成立。 Counterexample ? ? 谱半径 定义 　　　矩阵A的谱半径记为 ? (A) = ，其中?i 为 A 的特征根。 Re Im ? ? ? ? ? ? ? ? ? (A) §1 Norms of Vectors and Matrices – Spectral Radius 定理 对任意算子范数 || · || 有 证明： 由算子范数的相容性，得到 将任意一个特征根 ? 所对应的特征向量 代入 定理 若A对称，则有 证明： A对称 若? 是 A 的一个特征根，则?2 必是 A2 的特征根。 又：对称矩阵的特征根为实数，即 ?2(A) 为非负实数， 故得证。 对某个 A 的特征根? 成立 所以2-范数亦称为谱范数。 §1 Norms of Vectors and Matrices – Spectral Radius 定理 若矩阵 B 对某个算子范数满足 ||B|| 1，则必有 ① 可逆； ② 证明： ① 若不然，则 有非零解，即存在非零向量 使得 ? ② §2 线性方程组的误差分析 求解 时，A 和 的误差对解 有何影响？ ? 设 A 精确， 有误差　 ，得到的解为 ，即 绝对误差放大因子 又 相对误差放大因子 §2 Error Analysis for . ? 设 精确，A有误差 　 ，得到的解为 ，即 Wait a minute … Who said that ( I + A?1? A ) is invertible? (只要? A充分小，使得 是关键 的误差放大因子，称为 A的条件数，记为cond (A) , 越 则 A 越病态， 难得准确解。 大 §2 Error Analysis for . 注: ? cond (A) 的具体大小与 || · || 的取法有关，但相对大小一致。 ? cond (A) 取决于A，与解题方法无关。 ? 常用条件数有： cond (A)1 cond (A)? cond (A)2 特别地，若 A 对称，则 条件数的性质： ? A可逆，则 cond (A)p ? 1； ? A可逆，? ? R 则 cond (? A) = cond (A) ； ? A正交，则 cond (A)2=1； ? A可逆，R正交，则 cond (RA)2 = cond (AR)2 = cond (A)2 。 §2 Error Analysis for . 精确解为 例： 计算cond (A)2 。 A?1 = 解：考察 A 的特征根 39206 1 ? 测试病态程度： 给　一个扰动 ，其相对误差为 此时精确解为 2.0102 200% §2 Error Analysis for . 例：Hilbert 阵 cond (H2)? = 27 cond (H3)? ? 748 cond (H6)? = 2.9 ? 106 cond (Hn)?? ? as n ? ? 注：一般判断矩阵是否病态，并不计算A?1，而由经验得出。 ? 行列式很大或很小（如某些行、列近似相关）； ? 元素间相差大数量级，且无规则； ? 主元消去过程中出现小主元； ? 特征值相差大数量级。